Deep residual networks for wireless transmitter localization using sparse boundary measurements

Résumé

La localisation des émetteurs est un défi crucial en communication sans fil, influençant l’optimisation des réseaux, la sécurité et la gestion du spectre. Les techniques de localisation traditionnelles, telles que la triangulation et la méthode d’empreinte numérique du signal (fingerprinting), nécessitent une collecte de données intensive et des ressources computationnelles importantes, les rendant peu pratiques pour des déploiements à grande échelle. Cette thèse explore une méthode de localisation basée sur l’apprentissage profond, exploitant un réseau neuronal résiduel (ResNet) pour prédire la position d’un émetteur sans fil à partir de mesures de puissance du signal prises aux limites de la zone d’intérêt. Contrairement aux approches conventionnelles qui reposent sur une collecte complète des données sur toute la zone, la méthode proposée réduit considérablement la complexité des mesures tout en maintenant une précision élevée. Le modèle est entraîné sur un ensemble de cartes de propagation radio simulées à l’aide du modèle de chemin dominant (Dominant Path Model - DPM) et évalué sur des scénarios de mesures synthétiques et réels. Les résultats expérimentaux montrent une erreur moyenne de localisation de 7,23 mètres avec un écart type de 3,32 mètres, ce qui le rend compétitif par rapport aux techniques de localisation par apprentissage profond les plus avancées. De plus, une métrique de confiance est introduite pour évaluer la fiabilité des prédictions dans des conditions sans ligne de vue. Ces résultats soulignent le potentiel de l’apprentissage profond résiduel pour une localisation des émetteurs rentable dans des environnements complexes avec un accès limité aux mesures. Cette recherche contribue au développement de solutions efficaces basées sur l’apprentissage automatique pour l’analyse des signaux sans fil, ouvrant la voie à une meilleure gestion des réseaux et des stratégies d’atténuation des interférences.

Date	5 déc. 2025
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Richard Al Hadi (Directeur(-trice))